Hadoop自学笔记（二）HDFS简单介绍

1. HDFS Architecture

一种Master-Slave结构。包括Name Node, Secondary Name Node,Data Node Job Tracker, Task Tracker。JobTrackers: 控制全部的Task Trackers 。这两个Tracker将会在MapReduce课程里面具体介绍。以下具体说明HDFS的结构及其功能。

Name Node:控制全部的Data Node。

存储了整个文件系统的信息。

全部新建文件，删除，拷贝等，都会在此更新。存储了Block Mapping.

Secondary Name Node：简单来说，是Name Node的一个备份。

Data Node: 真实进行全部操作的地方。比方一个用户要读取一份文件。用户会先和NameNode沟通，然后Name Node告诉用户这份文件在哪一个Data Node上面，然后用户从此Data Node中读取。Data Node还负责拷贝数据（当然也要报告Name Node）。

上述四个部分能够放到一台机器上面，也能够分别放在不同机器上面。

HDFS特征：

数据丢失保护：每份数据都会存储好几份。默认3份。

假设丢失一个block，能够从其它备份中恢复。假设丢失整个Rack，可是因为同一个数据的备份不会存储到同一Rack。因此也能够恢复。

相同，假设从一个Rack内部读取数据要比跨Rack读取数据速度更快，HDFS会首先试图从一个Rack读取全部所需数据，这个能够称为Rack Awareness。相同这样同一时候获得了可靠的数据存储，以及高数据吞吐量。

2. HDFS Internals

Name Node: 内存中存储了全部文件名称，备份数。以及文件所在的block id。另一个Edit Log，用于存储操作日志，当机器重新启动的时候，会生成一个FsImage文件，整合了Edit Log文件里的内容，相当于把内存持久化。

重新启动后再读取到内存中。

用户读写文件都是和Name Node交互。从Name Node中获取数据存储的Blocks，然后从对应的Block读取出文件。

Secondary Name Node: 为了防止Name Node奔溃或者丢失。

每小时把Name Node中的Edit Log读取过来，然后生成FsImage，等Name Node丢失后。能够用于恢复。

Data Node: 直接和Name Node进行交互。其实。Name Node并不和Data Node进行交互，也不和Secondary Name Node交互， 而是后二者主动和Name Node进行交互。

Data Node每3秒钟向Name Node报告一次。假设10秒钟没报告，就觉得是出问题了，開始进行恢复操作。每个Block默认大小是64M. 这样能够保证在大文件的情况下，Name Node不会太庞大，并且提升读取速度。

Block越大，Name Node中的metaData越小。

每个Block有id,同一份block（备份）的id相同，例如以下图。存储在不同的rack上面。

并且还会把相同一份文件的block放到尽量相近的位置便于读写操作。假设时间长了Blocks的位置混乱了，能够使用rebalancing 工具来又一次排序使其恢复到最优位置。

每隔3秒钟Data Node就会向Name Node报告自己的Blocks，Data Node内部包括了一个Block Scanner用来汇报。假设Name Node发现有block备份多了，就删除；假设发现某一block备份不足，就将该任务放到一个队列中，这个队列依照优先级来复制备份不足的block。备份最少的block优先级最高。

3. HDFS interaction

Ubuntu里面能够依照例如以下图所看到的输入命令，然后与HDFS进行交互，其命令大部分和Shell命令一样。叫FS Shell。除了Shell以外。另一个Web UI用来交互。

假设想知道每个命令能够去google搜索Hadoop Command Guide，然后就能够找到这些命令的具体使用方法。